Как сделать когортный анализ: пошаговое руководство простыми словами с примерами
Как сделать когортный анализ и зачем он вообще нужен маркетологу — этот вопрос встаёт ровно в тот момент, когда бизнес упирается в потолок: на рекламу уходит всё больше, а прибыль топчется на месте. Почти всегда причина одна — новые клиенты уходят раньше, чем успевают окупиться, а сводные отчёты этого не показывают. В этом материале разберём, как когорты вскрывают проблему: дам формулы удержания и LTV, рыночные ориентиры «что считать нормой», три способа собрать когорты — от Google Таблиц до BI — и три живых разбора с цифрами.
Меня зовут Павел, руковожу маркетингом. Ниже не пересказ учебника, а то, что я реально прогоняю через каждую команду. Постараюсь коротко и по делу, с формулами, но человеческим языком.
Когортный анализ пользователей: что это и в чём его сила
Начну с определения без академизма. Когорта — это группа людей, которые сделали одно и то же ключевое действие в один и тот же промежуток времени. Зарегистрировались в марте. Впервые купили на этой неделе. Установили приложение вчера. Всех, кто попал в эту рамку, мы объединяем и дальше следим за ними как за отдельной командой, не смешивая с остальными.
Сила метода — во времени. Мы не просто фотографируем аудиторию сегодня, а прокручиваем плёнку вперёд: сколько человек из мартовской группы осталось с нами через месяц, через два, через полгода, сколько денег каждый из них принёс к этому моменту. Получается не снимок, а фильм о жизни клиента. И именно этот фильм отвечает на вопрос, который мучает любого руководителя: мы растём по-настоящему или просто заливаем всё большим количеством трафика?
Наглядно это выглядит как сетка. Слева — списком идут когорты: мартовская, апрельская, майская. Сверху — возраст: нулевой месяц, первый, второй, третий. В клетках — сколько процентов группы осталось активными. Мартовская: 100% на старте, 21% на втором месяце, 14% на третьем. Апрельская: 100%, 26%, 18%. Разница видна сразу — апрельские клиенты держатся крепче. Значит, между мартом и апрелем что-то изменилось к лучшему: либо трафик стал чище, либо продукт подтянули. Свести обе группы в одну усреднённую строку — потерять этот вывод целиком.
[ИЗОБРАЖЕНИЕ: когортная сетка (heatmap) — слева когорты по месяцам, сверху возраст когорты, клетки залиты цветом от зелёного к красному по проценту оставшихся]
Когорта, сегмент и аудитория — в чём разница на пальцах
Эти три слова часто используют как синонимы, и зря. Сегмент — это группа по общему свойству, зафиксированная в моменте: жители Питера, владельцы айфонов, все пришедшие с VK Ads. У сегмента нет времени, это статичный срез.
Когорта добавляет к свойству ось времени. Не «пришедшие с VK Ads» вообще, а «пришедшие с VK Ads в апреле». И теперь мы можем наблюдать за этой апрельской группой месяц за месяцем и сравнивать её, например, с мартовской по тому же каналу — на одинаковом отрезке жизни. Без временной привязки сегмент так и останется сегментом.
Если совсем упростить: сегмент отвечает «кто это», когорта — «что с ними стало потом». В боевых условиях их скрещивают: берут сегмент по каналу и режут его на когорты по неделям или месяцам. Тогда сразу видно и откуда человек пришёл, и как долго он с вами остался в зависимости от источника.
Ловушка усреднённых метрик: как отчёты скрывают отток
Это моя любимая тема, потому что здесь теряются целые бюджеты. Усреднение прячет беду. Допустим, общая возвращаемость по компании стабильно держится на 22% — красота, все спокойны. А раскладка по когортам показывает: старые группы возвращаются на 38%, а свежие — на 9%. Общая цифра держится исключительно на лояльном старом ядре, которое медленно вымывается. Продукт или трафик уже поехали, просто касса узнает об этом с задержкой в несколько месяцев.
Бывает и наоборот. Выручка ползёт вверх, отчёт зелёный, а когорты говорят: рост целиком объясняется тем, что вы стали покупать больше трафика. Каждая новая группа приносит с человека всё меньше. По сути вы доливаете воду в дырявое ведро — и пока льёте быстрее, чем течёт, кажется, что всё хорошо. Когорты показывают дыру заранее, до того как она превратится в проваленный план.
Для чего проводят когортный анализ: 5 задач бизнеса
Метод оправдан везде, где есть повторное взаимодействие: подписки, магазины, приложения, сервисы, обучение — всё, у чего есть жизненный цикл клиента и LTV. Вот пять задач, ради которых я его держу под рукой.
Первое — честная оценка каналов. Не по стоимости заявки и даже не по первой продаже, а по деньгам за всю жизнь клиента. Канал может лить копеечные лиды, но его когорты рассыпаются за месяц — и тогда он самый дорогой из всех.
Второе — проверка изменений. Переделали онбординг, сменили письма, выкатили фичу — берём когорту «до» и когорту «после» и сравниваем на одном возрасте. Стало лучше — изменение сработало. Это честнее, чем радоваться скачку конверсии в первый день.
Третье — прогноз и окупаемость. Зная форму кривой удержания и средний чек, вы прикидываете LTV и понимаете, за сколько месяцев вернётся вложенное в привлечение. Это скелет юнит-экономики.
Четвёртое — поиск места, где вы теряете людей. Когорты точно показывают, на каком возрасте начинается массовый уход. Провал стабильно на втором месяце — значит, чинить надо именно этот участок пути, а не всё сразу.
Пятое — управление удержанием. Разговор о повторных продажах и лояльности без когорт беспредметен: только они отделяют новичков от старожилов и показывают реальную возвращаемость.
Типы когорт: как группировать клиентов для анализа
Признак группировки задаёт вопрос, на который вы получите ответ. Поэтому выбирать его надо осознанно.
По времени — самый ходовой вариант. Объединяем по дате первого события: месяц регистрации, неделя установки, день первой оплаты. Такие когорты отвечают, как отличается поведение людей, пришедших в разные периоды. Новичкам советую стартовать именно отсюда.
По действию — поведенческие когорты. Группируем по факту совершённого шага: заполнил профиль, дошёл до конца онбординга, сделал второй заказ. Они отвечают, как конкретное действие влияет на дальнейшую жизнь клиента. Часто вскрывается закономерность: те, кто в первые дни сделал определённый шаг, держатся кратно лучше. Это и есть искомое «действие-активатор», к которому стоит вести всех новых пользователей.
По источнику — когорты по каналу привлечения: органика, Директ, VK Ads, Telegram Ads, рассылки, рефералы. Отвечают, какой трафик приводит людей, которые остаются. При работе с платным привлечением я запускаю именно этот срез в первую очередь.
По значению — когорты по сумме первого чека, тарифу, региону, устройству. Узкие, но полезные, когда базовые гипотезы уже отработаны.
Практический порядок такой: сначала временные когорты по месяцу первого касания, затем на них накладываем источник, и лишь потом идём в поведенческие. Строить сразу сложную многомерную модель — гарантированный способ зависнуть и не внедрить ничего.
Формулы когортного анализа: Retention Rate, отток, LTV
Пустая сетка бесполезна — её наполняют метрики. Разберу ключевые формулы, без которых когорты не читаются.
Формула Retention Rate и как читать кривую удержания
Retention Rate — коэффициент удержания, он же возвращаемость. Показывает, какая доля когорты осталась активной к определённому возрасту. Формула: активные пользователи когорты в N-й период делим на её стартовый размер и умножаем на сто.
Считаем на пальцах. В майскую когорту зашло 1500 человек. Через месяц активны 345 — retention первого месяца равен 345 / 1500, то есть 23%. Через два месяца активны 210 — уже 14%. Дальше кривая, как правило, продолжает снижаться, но у здорового продукта она не падает в ноль, а выходит на плато — тот уровень, ниже которого удержание почти не проседает. Высота этого плато и есть мера прочности бизнеса: чем оно выше, тем крепче ядро постоянных клиентов.
Рядом всегда живёт обратная метрика — churn rate, коэффициент оттока. Если удержание 23%, то отток за период 77%. В приложениях и сервисах удержание чаще меряют по дням: D1, D7, D30 — доля вернувшихся на первый, седьмой и тридцатый день. В магазинах и подписках удобнее считать по месяцам.
[ИЗОБРАЖЕНИЕ: график кривых удержания нескольких когорт — по оси X возраст когорты, по оси Y процент активных, кривые снижаются и выходят на плато]
Как рассчитать LTV клиента и когорты по выручке и марже
LTV, пожизненная ценность клиента, в когортном разрезе — это накопленный доход среднего участника группы за всё время. В сетке LTV, в отличие от удержания, растёт слева направо: чем старше когорта, тем больше денег каждый её клиент успел принести в сумме.
Накапливаем по шагам. Возьмём когорту: в нулевой месяц средний клиент принёс 1200₽, к концу первого дошло до 1900₽, к третьему — до 3100₽, к шестому — до 4500₽. Сравнив LTV разных когорт на одном возрасте, видим, кто ценнее. Если майская к полугоду дала 4500₽, а июньская — 5300₽, июньские клиенты выгоднее, и надо разобраться почему: другой канал, другой оффер, доработанный продукт.
Тонкий, но важный момент про базу расчёта. Чтобы сравнивать LTV с расходами на привлечение, считать его нужно по марже, а не по обороту: из дохода клиента вычесть себестоимость и переменные затраты. Оборотный LTV годится для сравнения когорт друг с другом, но как только он встречается со стоимостью привлечения — переходите на маржинальный, иначе экономика на бумаге будет жирнее реальной.
Payback и LTV к CAC: когда канал реально окупается
Тут когорты работают как рентген. ROMI — отношение прибыли с привлечённых клиентов к затратам на их привлечение. Беда в том, что посчитанный по первой продаже ROMI систематически хвалит слабые каналы и ругает сильные.
Пример. Канал X приводит клиента за 600₽, тот сразу покупает на 1400₽ — вроде прибыль. Канал Y приводит за 1100₽, первая покупка те же 1400₽ — вроде дороже и хуже. Но когорты показывают: клиент из X почти не возвращается, его LTV к полугоду замирает на 2000₽. А клиент из Y держится и приносит к полугоду 4800₽. С поправкой на удержание Y выгоднее в разы — хотя по первому чеку выглядел проигрышем. Не будь когорт, вы бы срезали бюджет именно на нём. Такие развороты я видел десятки раз, и каждый экономил реальные деньги.
Рядом стоит payback period — срок окупаемости привлечения, за сколько месяцев клиент отбивает вложенный в него CAC. Его тоже видно только на когортах: удержание задаёт, доживёт ли человек до момента окупаемости.
Практический приём, который я советую всем: постройте по каждому каналу накопительную кривую LTV и проведите на графике горизонтальную линию на уровне CAC этого канала. Точка, где кривая пересекает линию, — и есть срок окупаемости. Канал, чья кривая так и не дотянулась до линии CAC за разумный горизонт, вы дотируете из своего кармана, даже если по цене заявки он выглядит образцово. Этот один график снимает половину споров с закупщиками трафика: вместо «дешёвый лид против дорогого» разговор переходит в плоскость «окупается против не окупается», а это уже язык денег, а не эмоций.
Нормальные значения удержания и LTV: на что ориентироваться
Как только сетка готова, команда спрашивает: «23% на первом месяце — это провал или норма?» Скажу прямо: единого эталона нет, всё зависит от ниши, модели и маржи. Но рыночные вилки существуют, и держать их в уме полезно, чтобы не праздновать слабые результаты и не паниковать из-за нормальных.
Доля повторных покупок (Repeat Purchase Rate) в интернет-торговле и офлайн-рознице обычно укладывается в 20–35%. Если у вас примерно каждый третий-четвёртый покупатель возвращается за вторым заказом — вы в рынке. Для приложений, облачных и подписочных сервисов планка выше: там здоровым считают удержание платящих от 60%, потому что вся модель держится на регулярности.
Есть и ориентир для зрелых компаний: у бизнеса с историей в 5–7 лет повторные продажи обычно дают порядка 40–60% всей выручки. Если база копится годами, а повторные заказы — это 10–15% оборота, перед вами не «стабильность», а недобранный рост и очевидная зона для работы.
По экономике главный маяк — соотношение LTV к CAC. Здоровым для большинства бизнесов считают от 3 к 1: каждый вложенный в привлечение рубль возвращается минимум тремя рублями ценности за жизнь клиента. Около 1 к 1 — вы в нуле и не масштабируетесь. Меньше единицы — минусуете на каждом клиенте. Заметно выше 4–5 к 1 — это не повод гордиться, а сигнал, что вы недоинвестируете в маркетинг и упускаете рост. Отдельно смотрят payback: у сильных подписочных моделей привлечение отбивается за 5–7 месяцев.
Две оговорки. Первая: считайте соотношение на марже, а в CAC закладывайте не только рекламу, но и зарплаты команд маркетинга и продаж — иначе картина обманчиво радужная. Вторая: любой бенчмарк — это ориентир, а не вердикт. Ваша настоящая точка отсчёта — ваша же прошлая когорта. Растут удержание и LTV от группы к группе — направление верное, какими бы ни были абсолютные значения.
Как построить когорты: три способа под разный масштаб
Не надо сразу строить BI-платформу. Инструмент подбирается под задачу, а не наоборот. Даю три уровня — от простого к серьёзному.
Логика везде одинаковая. Сначала определите событие входа в когорту (первый визит, регистрация, первая оплата). Затем шаг группировки (день, неделя, месяц). Потом метрику наблюдения (возвращаемость, доход, число заказов). И наконец горизонт — за сколько периодов смотрим жизнь группы. Только после этого беритесь за таблицу.
Как посчитать когорты в Google Таблицах и Excel: формулы по шагам
Для старта и небольших данных Google Таблицы или Excel — вполне рабочий вариант, стесняться его не нужно. Понадобится выгрузка по строке на транзакцию: идентификатор клиента, дата действия, сумма. Дальше по шагам, с конкретными функциями для русской версии Excel.
Шаг первый — дата входа в когорту для каждого клиента, то есть дата его первой покупки. Берём функцию МИНЕСЛИ: она возвращает самую раннюю дату среди всех строк конкретного клиента. Синтаксис — =МИНЕСЛИ(диапазон_дат; диапазон_ID; ID_клиента).
Шаг второй — метка когорты. Из даты первой покупки вытаскиваем год и месяц функцией ТЕКСТ: =ТЕКСТ(дата_первой_покупки; «ГГГГ-ММ»). На выходе строка вида «2026-04» — это имя когорты, по которому дальше группируем.
Шаг третий — возраст покупки, число полных месяцев от входа до самой покупки. Считаем через РАЗНДАТ: =РАЗНДАТ(дата_первой_покупки; дата_покупки; «m»). Ноль — покупка в месяц входа, единица — в следующий, и так далее.
Шаг четвёртый — сводная таблица. В строки кладём когорту, в столбцы — возраст, в значения — количество уникальных клиентов (в сводной это «Количество различных элементов» при добавлении в модель данных) либо сумму дохода, смотря что изучаем.
Шаг пятый — перевод в проценты. Делим каждую клетку на размер когорты — значение в столбце возраста «ноль», закрепив ссылку знаком доллара. Получаем кривую удержания в процентах.
Шаг шестой — условное форматирование цветовой шкалой. Красная полоса на определённом возрасте по всем строкам разом — ваша точка оттока, видно без калькулятора.
Минусы очевидны: ручной труд и потолок по объёму. Как только данных много или таблицу надо обновлять каждую неделю — пора двигаться дальше. Но для проверки первой гипотезы и обучения команды этот способ незаменим: собрав сетку руками, человек наконец понимает, из чего она сложена.
Когорты в Яндекс Метрике: пошаговая настройка отчёта
Для России Яндекс Метрика — инструмент по умолчанию, и не только по привычке. С середины 2025 года применение Google Analytics в стране стало юридически шатким: сервис отправляет данные за границу, а требования к локализации персональных данных ужесточили, поэтому большинство команд с GA4 либо уже съехали, либо сидят на нём с оглядкой. Метрика хранит данные в РФ и лучше понимает наш трафик, включая визиты из Директа и поиска Яндекса.
Базовые когорты в Метрике собираются через отчёты. Схема такая: задаёте правило формирования групп (например, по месяцу первого визита), выбираете период и детализацию, затем метрику для графика — визиты, целевые визиты, достижения цели или число покупок при подключённой электронной коммерции. Система строит линейный график по когортам разных месяцев, и на нём сразу читается, какая группа возвращается охотнее. Данные при желании выгружаются в таблицу для дальнейших расчётов.
[ИЗОБРАЖЕНИЕ: скриншот настройки когортного отчёта в Яндекс Метрике — правило формирования когорт, период, выбор метрики и линейный график по группам]
Честная оговорка: встроенный отчёт хорош для быстрого взгляда, но глубокий разбор по удержанию и LTV на нём упирается в потолок агрегированных данных, а на малом трафике цифры пляшут. Для интернет-магазина обязательно подключите модуль электронной коммерции и передавайте идентификатор покупателя — без него заказы одного человека не сошьются во времени, и денежные когорты просто не построятся.
Сырые данные и BI: Logs API, ClickHouse, DataLens
Когда объёмы большие и нужна точность по удержанию и LTV, спускаются на уровень сырых данных. Из Метрики их достают через Logs API — это детальная выгрузка по каждому пользователю и его действиям, в отличие от готовых сводных отчётов. Дальше данные грузят в хранилище (обычно ClickHouse), считают когорты запросами на SQL и рисуют в BI — Yandex DataLens, Grafana и подобных.
Путь требует аналитика или хотя бы уверенного SQL, зато развязывает руки: любые признаки когорт, любые метрики, дашборды, которые обновляются сами. Для среднего и крупного бизнеса это правильная финишная точка. Альтернатива попроще — сквозная аналитика (Roistat, Calltouch, Callibri и аналоги): многие такие сервисы считают когорты из коробки и сразу сшивают их с расходами на рекламу, снимая львиную долю ручной работы.
Резюме по инструментам простое: на старте и в малом бизнесе — таблицы плюс встроенный отчёт Метрики; когда данных и гипотез стало много — сквозная аналитика или связка Logs API с BI. Не берите комбайн, если задача — забить один гвоздь.
Когортный анализ на примерах: три разбора с цифрами
Без практики всё это остаётся теорией. Три случая из работы — числа округлил и слегка сдвинул, но соотношения и выводы настоящие.
Разбор 1. Онлайн-магазин: когда дешёвая заявка дороже дорогой
Магазин косметики вёл трафик из двух источников: рассылки по собственной базе и таргет в VK Ads на холодную аудиторию под промокод. По стоимости первого заказа таргет смотрелся неплохо, и команда хотела нарастить туда бюджет. Прежде чем двигать деньги, разложили когорты по месяцу первого заказа, добавили канал и LTV.
Картина по рассылкам: первый чек в среднем 1800₽, возвращаемость на второй месяц 31%, и за полгода средний клиент делал ещё около 2,4 заказа со средним чеком примерно 1700₽. Покажу, как собралась итоговая цифра, чтобы не висела в воздухе: оборотный LTV за шесть месяцев ≈ 1800 + 2,4 × 1700 ≈ 1800 + 4080 ≈ 5880₽, округлённо 5900₽.
Теперь таргет на холодную: первый чек выше, 2100₽ — люди клюнули на промокод и набрали корзину. Но возвращаемость на второй месяц всего 12%, дальше почти ноль: за полгода в среднем 0,5 повторного заказа со средним чеком около 1600₽. LTV ≈ 2100 + 0,5 × 1600 ≈ 2100 + 800 ≈ 2900₽. Числа здесь оборотные, не маржинальные, и намеренно неровные — реальные когорты гладкими не бывают.
Пересчёт с учётом удержания всё перевернул. Промо-аудитория приходила за скидкой и растворялась, её реальная стоимость окупаемого клиента оказалась выше, а не ниже. Бюджет на холодный таргет урезали до теста, деньги перекинули на реактивацию базы и удержание. За квартал доля повторных заказов поднялась с 21% до 28% — то есть к верхней границе нормы для e-commerce. Отчёт по цене заявки такого решения не подсказывал в принципе — только когорты.
Разбор 2. Подписка: где теряются пользователи и как их удержать
Сервис доставки готовых рационов по подписке жаловался на отток. Общее удержание висело около 30% и не двигалось месяцами. Собрали когорты по месяцу регистрации и увидели чёткий обрыв: массовый уход приходился на конец первого цикла. Люди оформляли пробную доставку, не настраивали регулярный график и отваливались, толком не распробовав сервис.
Построили поведенческую когорту: сравнили тех, кто в первую неделю включил автоматический еженедельный график, с теми, кто остался на разовых заказах. Удержание первого месяца у первых — 58%, у вторых — 19%. Разрыв огромный: вот оно, действие-активатор, к которому надо вести каждого новичка. Всю работу свернули к одной цели — как можно раньше довести пользователя до настройки регулярного графика. Переписали онбординг, добавили подсказки и цепочку писем первых дней.
Сравнили когорту до правок и после на одном отрезке. Удержание первого месяца на свежей группе выросло с 29% до 37%. Не чудо, но на дистанции это ощутимая прибавка к выручке — каждый удержанный процент капает ежемесячно. Ключевое: без когорт мы бы «улучшали сервис вообще» и распыляли силы. Когорты показали точку, по которой стоило бить.
Разбор 3. Приложение: retention D1, D7, D30 и окупаемость установок
Фитнес-приложение с платной подпиской нагоняло установки через закупку трафика. Стоимость установки радовала, план по загрузкам выполнялся, все довольны — пока не посмотрели удержание по когортам установок в разбивке по дням.
Органика давала D1 около 42%, D7 около 21%, D30 около 13%. Платные установки из одной сети: D1 около 28%, D7 около 9%, D30 около 5%. Иными словами, платная когорта осыпалась почти полностью за месяц. А поскольку монетизация включалась в среднем лишь к четырнадцатому дню (когда заканчивался пробный период), трафик из этой сети не окупался в принципе: люди уходили раньше, чем добирались до оплаты.
Худшую сеть отключили, бюджет перелили в источники с приличным D30 и в работу над удержанием первых дней. Вывод универсальный: оценивать привлечение по стоимости установки или заявки без ретеншена — значит врать самому себе. Для любого приложения и сервиса с быстрым циклом когорты по дням D1—D30 обязательны.
Типичные ошибки при построении когорт и как их избежать
За годы у меня накопился список граблей. Перечисляю, чтобы вы обошли их стороной.
Микроскопические когорты. В группе из сорока человек любые проценты будут скакать от случайности, а не от смысла. На малом трафике укрупняйте шаг: не недели, а месяцы, иногда кварталы. Статистике нужен объём.
Размытое определение «возвращения». Заранее договоритесь, что считается активностью: любой заход, целевое действие или именно оплата. Разные определения дают разные кривые, и мешать их в одном анализе нельзя.
Слепота к сезонности. Декабрьская когорта в рознице почти всегда ведёт себя особенно из-за новогодней волны. Сравнивайте сопоставимые периоды, иначе примете сезонный всплеск за заслугу маркетинга.
Анализ ради красивой картинки. Самая частая и дорогая ошибка. Построили сетку, полюбовались, закрыли вкладку. Когорты нужны не для отчёта, а для решения: отключить канал, переделать онбординг, перекинуть бюджет. Нет решения на выходе — время потрачено впустую.
Каша из разной аудитории. B2B и B2C, опт и розница, разные продукты живут по своим законам. Складывать их в одну когорту — то же самое, что мерить среднюю температуру по палате.
Отговорка «у нас мало данных». Даже на скромном трафике месячные когорты покажут тренд. Ждать идеальных данных — значит не начать никогда.
Как встроить когорты в регулярную аналитику команды
Инструмент приносит пользу, только когда живёт в процессе, а не достаётся из шкафа раз в год перед защитой бюджета. Как это устроено у меня.
Выберите одну главную метрику удержания под свою модель — retention первого месяца, D7 или долю повторных покупок — и выведите на общий дашборд. Одна цифра, за которой следит вся команда.
Заведите ритм: смотреть свежую когорту раз в неделю-две или раз в месяц, в зависимости от цикла. Не по факту пожара, а регулярно, как измерение пульса.
Любое заметное изменение — в продукте, письмах, трафике — фиксируйте и потом сравнивайте когорту до и после. Это превращает интуицию в доказанные факты и дисциплинирует команду.
Сшейте когорты с деньгами. Удержание без LTV — половина правды. Как только возвращаемость связана с доходом и расходами на канал, вы управляете экономикой, а не просто разглядываете графики.
И не вешайте это на одного человека. Аналитик строит сетку, но выводы делают все — маркетинг, продукт, продажи. Иначе цифры так и останутся цифрами на экране.
Чтобы привычка закрепилась, я завёл простой ритуал: раз в месяц команда пятнадцать минут смотрит на свежую когортную сетку и отвечает на три вопроса — где по сравнению с прошлым месяцем стало лучше, где хуже и какое одно действие мы предпримем до следующей встречи. Не разбор на два часа, не презентация на сорок слайдов, а короткая сверка курса. Именно регулярность, а не глубина разового анализа, со временем даёт эффект: вы начинаете ловить проседания на ранних когортах, пока их ещё можно исправить дёшево, а не постфактум, когда потерянные клиенты уже не вернутся.
Литература и ресурсы по когортному анализу и retention
Тема лежит на стыке маркетинга, продукта и аналитики, поэтому и источники разношёрстные. Собрал то, что реально работает.
Из книг — «Lean Analytics» Алистера Кролла и Бенджамина Йосковица: крепкая база по продуктовой аналитике, где удержание и когорты поданы как фундамент роста, а не как отдельный фокус. Идёт непросто, но отдача есть. Для LTV и юнит-экономики берите любую толковую книгу по экономике стартапов — там когорты неотделимы от расчёта окупаемости.
Из практики — обучающие материалы и документация Яндекса по Метрике: пошаговые инструкции и по встроенному отчёту, и по выгрузке сырых данных через Logs API. Блоги практикующих аналитиков (например, Осипенкова) ценны тем, что показывают живую связку Метрика — ClickHouse — DataLens со скриншотами, а не абстракции.
Из англоязычного — гайды Amplitude и Mixpanel, фактический стандарт по retention и когортам в продуктовой аналитике: у обоих подробно разобраны кривые удержания и работа с действием-активатором. Материалы Reforge от Brian Balfour и команды — для тех, кто хочет копнуть в механику роста поглубже.
Из курсов на русском смотрите программы по веб- и продуктовой аналитике у крупных школ, но с одним условием: в программе должны быть практические работы на живых данных и разбор когорт, а не только теория. И честно скажу: один когортный отчёт, собранный своими руками по собственному проекту, даст больше, чем три курса, просмотренных фоном. Начните с таблиц и своих цифр.
Чек-лист: готовы ли вы к когортному анализу
Перед тем как закрыть статью, прогоните себя по вопросам — они покажут, готовы ли вы строить когорты на своём проекте.
Какое событие вы возьмёте за вход в когорту: первый визит, регистрацию, установку или первую оплату? Какой шаг группировки подходит вашему циклу — день, неделя, месяц? Какую метрику положите в клетки сетки — возвращаемость, retention, доход или LTV? На каком возрасте когорты вы ждёте провал и почему именно там? Различается ли поведение групп из разных каналов — и проверяли ли вы это вообще хоть раз? Как ваши удержание и соотношение LTV к CAC выглядят на фоне рыночных ориентиров из этого материала? И главное: какое конкретное действие вы предпримете, если увидите, что свежие когорты держатся хуже старых?
Если на большую часть ответ пока «не знаю» — вот и список задач на ближайший месяц.
Где искать вакансии и кейсы: telegram-каналы для маркетологов
Небольшой блок для тех, кто прокачивается в профессии и держит руку на пульсе рынка. Аналитика аналитикой, а карьера в digital во многом крутится в telegram: там вакансии всплывают раньше, чем на классических площадках, и кейсы обсуждают без прикрас. Собрал каналы, которые сам читаю, — комбинируйте под свою задачу: поиск работы, найм или просто быть в курсе.
Профильные вакансии для маркетологов, пиарщиков, контент-менеджеров и SMM-специалистов — если ищете работу в маркетинге или, наоборот, вышли нанимать, начните с этого тг-канала. Живые предложения без спама и «вакансий-призраков»: https://t.me/digital_jobster
Вакансии в продажах и маркетинге, нескучные проекты — telegram-канал для тех, кому важно не просто «разослать отклики», а найти толковую задачу и вменяемого работодателя. Удачная точка входа, если ищете сильного продажника или сами метите в топ: https://t.me/rabota_go
Удалёнка и онлайн-проекты — тг канал для тех, кто хочет работать откуда угодно, хоть с ноутбуком у моря со стаканом джуса. Удалённые вакансии в digital, фриланс и проектная занятость в одном месте: https://t.me/rabota_freelancee
Разместить резюме и посмотреть кандидатов — telegram-канал, где соискатели выкладывают резюме, а работодатели ищут людей напрямую, без посредников. Удобно быстро понять, кто прямо сейчас в активном поиске: https://t.me/jobster_resume
Рабочий юмор, будни коллег, разборы маркетинговых кейсов и полезное по контенту и SMM — тг-канал, чтобы и выдохнуть, и подсмотреть пару рабочих приёмов. Редкий случай, когда мемы и польза уживаются в одной ленте: https://t.me/jobster_guru
Совет: если вы всерьёз ищете работу или сотрудника, подпишитесь сразу на несколько — в тг вакансии разлетаются быстро, и выигрывает тот, кто откликнулся первым.
Джобстер: платформа для найма и поиска работы в digital
Когортный анализ, юнит-экономика, работа с удержанием и LTV — ровно те навыки, за которые компании сегодня конкурируют, а специалисты берут за них деньги. Весь вопрос в том, где две стороны находят друг друга быстро. Отвечаю без лишней воды.
Джобстер — одна из ведущих платформ для найма и поиска работы в маркетинге, digital и продажах. Нас выбирают компании, которым нужен результат и быстрый найм, а не поток случайных откликов. И к нам идут соискатели, которые хотят работать в маркетинге всерьёз, а не «просто попробовать».
Мы собрали среду без случайной аудитории: только профильные специалисты — маркетологи, аналитики, SMM-менеджеры, контент-специалисты, дизайнеры и продажники. Меньше шума, меньше потерянного времени, выше шанс сразу выйти на сильного человека. В отличие от гигантских досок, где вакансия маркетолога тонет среди грузчиков и бухгалтеров, каждое размещение на Джобстере дополнительно усиливается нашей сетью Telegram-каналов — это ускоряет отклики и закрытие позиций.
Бизнесу, которому нужен человек, умеющий считать окупаемость и строить когорты, а не только «делать красиво», — вам сюда. Специалисту, который хочет расти в деньгах и задачах без бесконечных кругов собеседований, — тоже сюда.
Открытые вакансии: https://jobster.pro/work
База специалистов: https://jobster.pro/baza_rezume_specialistov
Разместить вакансию: https://jobster.pro/employer
Разместить резюме: https://jobster.pro/razmestit_rezume
Джобстер — про зрелый найм, где важны не отклики, а сильные люди. Нужен сотрудник, который реально усилит маркетинг, — вы найдёте его здесь. Ищете свою работу — тоже.
Ответы на популярные вопросы о когортном анализе
Чем когортный анализ отличается от RFM-анализа? RFM делит текущую базу по давности, частоте и сумме покупок — это моментальный срез для работы с клиентами прямо сейчас. Когорты смотрят на группы во времени и отвечают на вопросы удержания и жизненного цикла. Они не спорят друг с другом, а дополняют: RFM подсказывает, кому написать сегодня, когорты — как в целом живёт база.
Сколько нужно данных, чтобы когорты имели смысл? Формально группу можно собрать и на сотне человек, но чем она меньше, тем сильнее шумят проценты. Разумный ориентир — от нескольких сотен человек в когорте, тогда выводы устойчивы. На малом трафике укрупняйте шаг до месяца или квартала.
Есть ли когортный анализ в Яндекс Метрике и бесплатно ли это? Да, встроенный когортный отчёт доступен бесплатно, как и вся Метрика. Для магазина дополнительно настройте электронную коммерцию и передачу идентификатора покупателя, иначе денежные когорты не построятся.
Какое удержание считать нормальным? Зависит от ниши. Для e-commerce нормальна доля повторных покупок в районе 20–35%, для подписок и приложений планка выше — от 60% удержания платящих. Но ваш главный ориентир — собственная предыдущая когорта: удержание растёт от периода к периоду — значит, движетесь правильно.
Как часто пересобирать когортный анализ? По циклу бизнеса. Для приложений и подписок — раз в неделю-две. Для магазинов и услуг с длинным циклом — раз в месяц. Важно, чтобы это была привычка, а не разовый подвиг перед бюджетным комитетом.
Годится ли метод для малого бизнеса и небольшого трафика? Годится, просто берите более крупный шаг группировки и не гоняйтесь за дробными процентами. Даже простая месячная когортная таблица покажет, растёт база или тает.
Что важнее — удержание или LTV? Это две стороны одной монеты. Удержание говорит, остаются ли клиенты, LTV — сколько денег они при этом приносят. Смотреть надо вместе: высокое удержание без выручки и высокий первый чек без удержания одинаково обманчивы.
С какого признака когорты стартовать новичку? С месяца первого касания — визита, регистрации или первой покупки. Это самый понятный универсальный вход. Освоите временные когорты — накладывайте сверху источник трафика и поведение.